童軍心，童 超，吳宇睿，王金明，單松興

（1.國網(wǎng)江西省電力有限公司電力科學(xué)研究院，江西 南昌 330096；2.南昌工程學(xué)院，江西 南昌 330096；3.國網(wǎng)江西省電力有限公司超高壓分公司，江西 南昌 330096；4.國網(wǎng)江西省電力有限公司樟樹市供電分公司，江西 宜春 336000）

0 引言

為了準(zhǔn)確了解電力系統(tǒng)輸變電設(shè)備的運行狀態(tài)，需要對系統(tǒng)進(jìn)行安全評估，對可能存在的風(fēng)險進(jìn)行預(yù)警，需要對輸變電設(shè)備進(jìn)行大量檢測試驗，而大量儀器儀表的數(shù)據(jù)需要被記錄便于進(jìn)行數(shù)據(jù)挖掘和分析。在復(fù)雜的檢測場景下，一些檢測儀器無通訊接口，只能通過紙筆抄錄完成報告后再輸入系統(tǒng)中，效率低下且容錯率低。為了給變電檢測現(xiàn)場過程提質(zhì)增效，運用圖像識別技術(shù)對儀器數(shù)據(jù)進(jìn)行定位識別，再將識別結(jié)果自動返回報告中[1-3]。

儀表的數(shù)字識別過程由區(qū)域定位、字符分割、字符識別三部分組成。其中，儀表區(qū)域定位是數(shù)字識別的前提，起著關(guān)鍵性作用。基于SIFT、SURF 的定位算法廣泛應(yīng)用于電力系統(tǒng)中目標(biāo)檢測與研究中。文獻(xiàn)[4]針對SIFT 算法中特征向量的維數(shù)過高問題，提出了一種雙向SIFT 匹配的方法，降低了特征向量維數(shù)，提高了匹配精度，較好地應(yīng)用在電力設(shè)備識別中。SURF 算法借鑒了SIFT 簡化近似思想，將DOH 中的高階、二階微分模板進(jìn)行了近似簡化，可以采用積分圖像計算，實驗證明SURF 算法綜合性能優(yōu)于SIFT算法[5-8]。

傳統(tǒng)圖像文字識別技術(shù)大多采用傳統(tǒng)光學(xué)字符識別，該技術(shù)需輸入圖像背景干凈，字體簡單且排布整齊，才能達(dá)到很高的識別水平，對復(fù)雜儀表圖像幾乎無法識別。與純文字的圖片不同，復(fù)雜環(huán)境下的儀表信息識別則面臨著圖像背景復(fù)雜、拍攝角度和光線強(qiáng)弱等眾多因素造成的分辨率低、對比度和亮度不均勻等問題。

基于此，文中提出基于SURF+OCR 對變電檢測儀器數(shù)據(jù)定位[9]識別方法，根據(jù)尺度不變特征變換實現(xiàn)儀器面板特征匹配、關(guān)鍵數(shù)據(jù)位置定位與截取，實現(xiàn)對儀器面板重要信息的獲取，獲取后的圖片經(jīng)過預(yù)處理后放入Tesseract-OCR[10-11]引擎中識別，繼而得到精確的識別結(jié)果。

1 理論基礎(chǔ)

1.1 SURF算法基本原理

SURF算法的實現(xiàn)主要有以下5個步驟：

1）構(gòu)造比例空間：利用高斯模糊形成不同尺度的圖像，構(gòu)成高斯金字塔。為確保圖片中的要素與比例無關(guān)，通過高斯函數(shù)計算出不受尺度和旋轉(zhuǎn)影響的極值點。

2）關(guān)鍵點本地化：對極值點進(jìn)行擬合三維二次函數(shù)運算，去除影響SURF 算法的邊緣響應(yīng)點，同時確定極值點的尺度和位置，進(jìn)而確定合適的特征成為關(guān)鍵點。

3）方向分配：提取圖像在某個特定小區(qū)域內(nèi)的梯度值的最大值，并作為該關(guān)鍵點的方向特征值，確保關(guān)鍵點角度不變。

4）關(guān)鍵點描述符：在關(guān)鍵點領(lǐng)域內(nèi)，計算出選定區(qū)域的梯度大小，并用該梯度值表征圖像在局部區(qū)別內(nèi)光照、形狀變化，為每個關(guān)鍵點分配獨特的指紋。

5）圖像匹配：運用漢明距離、歐氏距離等方法對兩幅圖像關(guān)鍵點特征向量進(jìn)行相似運算，之后通過單應(yīng)性矩陣對圖片進(jìn)行調(diào)整。

1.2 圖像預(yù)處理

為了提高識別的準(zhǔn)確率，在對數(shù)字儀表的重要信息識別前，對圖像進(jìn)行預(yù)處理。

1）中值濾波

結(jié)合圖像背景考慮，文中采用中值濾波對圖像進(jìn)行圖像平滑處理。中值濾波是一種非線性的平滑技術(shù)，對于胡椒噪聲和鹽噪聲有非常顯著的影響。中值濾波取當(dāng)前像素點和它周圍的臨近奇數(shù)個像素點的像素值，將像素值排序，取中間位置的像素值作為當(dāng)前像素點像素值。中值濾波原理用式（1）表示為：

式中：Xi，j表示像素點在坐標(biāo)為（i，j）時的像素值；A為濾波窗口；Med 為中值濾波函數(shù)；Yi，j為濾波窗口內(nèi)的中間像素值。

2）圖像形態(tài)學(xué)操作

為簡化圖像，對圖像采用形態(tài)學(xué)處理，以提高數(shù)字儀表圖像的質(zhì)量，減少字碼中斷帶來的影響。膨脹和腐蝕處理是形態(tài)學(xué)運算的基礎(chǔ)。設(shè)兩幅圖像X、B，若X是被處理對象，B是用來處理X的，那么則把B稱為結(jié)構(gòu)元素。

其中膨脹處理和腐蝕處理分別如式（2）、式（3）所示：

式中：B表示結(jié)構(gòu)元素；X表示為原始圖像。D為X和B的邏輯異或操作的值，B的黑色和X的黑色有一個對應(yīng)就讓該個點為黑色；E為X和B的邏輯與操作的值，B的黑色和X的黑色完全對應(yīng)，就讓該個點為黑色。

3）圖像二值化

為提高識別的準(zhǔn)確率，在對數(shù)字儀表識別前，對圖像進(jìn)行二值化處理。對此，文中采用Otsu 算法，以減少光照和對比度給二值化帶來的不利影響。假設(shè)連通區(qū)域S，其像素的灰度范圍表示為[0，255]，其中灰度級x的概率用p（x）表示。Otsu 就是求式（4）得到最大灰度級m值。

而上述值則為最佳的分割閾值。

1.3 Tesseract-OCR

Tesseract 是HP 實驗室開發(fā)由Google 維護(hù)的OCR 引擎，Tesseract-OCR[12]運行過程：首先將經(jīng)過預(yù)處理的二值化圖片傳入OCR 引擎中進(jìn)行分析，通過識別引擎獲取目標(biāo)區(qū)域，采用自適應(yīng)分類器定位文本行、分割字。通過兩次字符分析識別使OCR 引擎對圖片中的模糊區(qū)域進(jìn)行改進(jìn)，校驗字符是否正確后將圖片識別輸出文本。Tesseract-OCR 架構(gòu)圖如圖1所示。

圖1 Tesseract-OCR架構(gòu)圖

2 變電數(shù)字儀表特征定位提取

2.1 變電數(shù)字儀表數(shù)據(jù)特征分析

如圖2 為變壓器鐵芯接地電流測試儀面板，面板中有操作按鈕和顯示屏2 個區(qū)域。面板中間部位的電流值和頻率值是測量的結(jié)果數(shù)據(jù)，即該儀器關(guān)鍵信息、數(shù)據(jù)特征為數(shù)值型，面板下部為操作按鈕區(qū)。拍照時應(yīng)滿足拍攝規(guī)范，如拍攝角度不得過大，被測儀器盡量清晰并且大部分處于圖片中。

圖2 變壓器鐵芯接地電流測試儀面板

2.2 模板制作

利用尺度不變特征變換對儀器面板進(jìn)行重要數(shù)據(jù)定位，需要對變壓器鐵芯接地電流測試儀面板建立標(biāo)準(zhǔn)化模板圖片，如圖3所示。該模板含有足夠的不變特征，將重要信息區(qū)域（電流值、頻率值）用純白色背景替換，減少了干擾特征。

圖3 儀器面板模板圖

2.3 提取效果

對按要求拍攝情況下變壓器鐵芯接地電流測試儀圖像進(jìn)行尺度旋轉(zhuǎn)不變特征檢測并匹配模板照片，其特征點匹配的效果如圖4所示，特征點匹配直線圖表明，該算法能實現(xiàn)模板的完整匹配。在此基礎(chǔ)上依據(jù)定位流程算法，依次通過優(yōu)質(zhì)關(guān)鍵點篩選、求解單應(yīng)性矩陣、計算映射四邊形、圖片旋轉(zhuǎn)擺正、定位截取數(shù)據(jù)等步驟，實現(xiàn)對電流值和頻率值的提取，如圖5所示。

圖4 角度不同的特征點匹配圖

圖5 電流值和頻率值的定位提取圖

3 儀表關(guān)鍵信息處理與識別

3.1 定位圖片處理

對圖片進(jìn)行預(yù)處理后，Tesseract-OCR 對圖片識別的效果更佳。因此對于本次實驗所用儀器樣本，分析由定位算法所得圖片，經(jīng)過各種方法的驗證，得到最佳的處理效果，處理步驟如圖6所示。

圖6 定位圖片預(yù)處理步驟

定位圖片處理結(jié)果如圖7所示。

圖7 定位圖片處理結(jié)果圖

3.2 定位圖片識別

本例圖片是規(guī)則的數(shù)字，根據(jù)Tesseract-OCR 引擎自帶的“chi_sim”字庫對這個字符具有較高的識別率，識別結(jié)果如表1所示。

表1 定位圖片識別結(jié)果

3.3 結(jié)果分析

通過上述方法的試驗效果可知（見表2）：

表2 不同角度獲得的圖片定位及識別結(jié)果

1）對圖片拍攝角度發(fā)生變化時，圖片定位成功率較高，在0°～30°之間高達(dá)100%，在45°時達(dá)90%。該定位算法實時性好、匹配點多，有較多準(zhǔn)確的匹配點，400 張隨機(jī)拍攝的樣本整體定位成功比例高于97.5%，證明該算法穩(wěn)定性好，具有一定的魯棒性。

2）通過對比定位圖片前后的識別率，處理后的圖片識別率遠(yuǎn)高于處理前的，高達(dá)95%以上，證明圖片經(jīng)過預(yù)處理后形成的二值化圖片更適合放在Tesseract-OCR引擎中識別。

4 結(jié)語

在變電檢測現(xiàn)場中，為了有效減輕檢測人員儀器讀數(shù)工作強(qiáng)度，避免人工讀數(shù)誤差，用相機(jī)對試驗儀器進(jìn)行圖像獲取，文中提出基于SURF+OCR對變電檢測儀器數(shù)據(jù)定位識別的方法，設(shè)計了在變電檢測現(xiàn)場可能出現(xiàn)的情況，對400 張受拍攝角度影響的情況下的隨機(jī)樣本圖片進(jìn)行SURF 定位算法測試，樣本整體定位成功率高于97.5%。對定位的樣本圖片進(jìn)一步預(yù)處理，利用Tesseract-OCR 引擎對定位樣本圖片進(jìn)行識別，識別率高達(dá)95%以上。在特定場景下的儀器圖片，經(jīng)預(yù)處理后識別效果仍不佳，可以訓(xùn)練該類儀器專屬的字符庫，以提高識別率。因此，文中所提出的方法具有一定的工程實踐價值。